土地利用覆盖变化信息提取.docx

1、土地利用覆盖变化信息提取土地利用/覆盖变化信息提取实验报告1.实验目的利用TM/ETM3个时相卫星数据，应用ENVI软件进行土地利用/覆盖分类，在此基础上进一步分析其动态变化特征。2.实验内容金华市土地利用/覆被变化信息的提取。采用决策树分类法提取土地利用/覆被信息，它通过分析地物光谱特征和其他图像特征，充分利用高程、坡度等地理辅助信息可以有效地提高分类精度，比较适合于江南丘陵地形破碎、地物分布复杂的地区。和传统的监督分类法相比，它可以消除园地和林地、建设用地和裸地光谱相似所带来的影响。（1）TM影像数据的预处理。本文的遥感数据处理主要包括大气校正、几何校正和图像增强，并利用行政边界矢量图对影

2、像进行裁剪。（2）土地利用变化信息提取。首先对其中的一期影像(2003年)分别采用最大似然法、决策分类树法进行分类，提取土地利用/覆被信息，并对二者的提取精度进行比较，选择精度最高者作为最终的提取方法，进而提取19882003年金华市土地利用/土地覆被信息。（3）利用空间叠加获取土地利用/覆被变化的面积转移矩阵，进而通过面积转移矩阵分析土地利用/土地覆被的数量变化、空间结构变化和土地利用程度。3.实验方案4.数据预处理4.1数据源本文所采用的数据包括：两景金华市的Landsat TM和一景Landsat ETM陆地卫星影像，一景半SPOT全色影像；该地区1：50 000地形图；该地区81m*8

3、1m分辨率的数字高程模型（DEM）；1：100万中国行政边界矢量图等。 具体的见表4-1和4-2所示。表4-1研究区遥感影像数据获取时间传感器类型数量（景）空间分辨率（m）2003年3月9日SPOT-5全色151/252003年3月26日LandsatETM+1-8波段115m（全色）30m(多光谱)1996年9月6日LandsatTM1-7波段1301988年12月5日LandsatTM1-7波段130表4-2研究区其他资料及应用说明数据类型应用说明大比例尺地形图最新时相的1：50000地形图，用于进行卫星遥感资料的几何校正野外调查资料野外控制点的测量，土地利用/覆盖分类训练样本区的调查，建

4、立判读标志，进行分类及信息提取精度检验等工作土地利用现状图对比土地利用/覆盖动态变化及遥感影像分类精度参考4.2图像预处理数据预处理部分主要包括：对遥感影像进行大气校正、几何纠正、以及对研究区进行边界裁剪和图像增强。主要工作流程如下（图4-2）：图4-2数据预处理主要技术流程具体方法如下：1）大气校正。本文的大气纠正在PCI软件的ATCOR2模块中完成，以去除薄云和大气对影像光谱的影响，尤其是96年的图像，经过大气校正后，图像质量得到了很大提高。2）几何纠正。影像几何纠正就是将所研究影像纳入到一个地面坐标系中，方法是利用地面控制点对各种因素引起的遥感影像的几何畸变进行纠正，以便确定影像上每个像

5、元在地面的坐标，其过程就是把目标由一个空间向另一个空间转换的过程。3）边界裁剪。对遥感影像进行上述处理后，利用所给的金华县行政边界矢量图边界对影像进行裁剪，分别得到1988年和1996年的TM图像以及2003年的SPOT和ETM研究区影像。4）图像增强。本文采用最佳指数因子分析方法对3幅多光谱影像三波段组合方案进行评价最后得出最佳波段组合。最佳指数因子的计算公式为：（2-1）式中，为i波段图像的亮度标准差，其值越大，说明数据的离散度越大，所包含的信息量越大，可分离性越高；为三波段中任意两波段之间的相关系数，其值越小，表明图像数据独立性越高，信息的冗余度越小。OIF越大，组合图像的信息量越大，组

6、合方案越佳。利用最佳指数因子分析方法计算1988、1996、2003年三幅多光谱影像的三波段组合值如下表（表4-3）：表4-3影像最佳波段组合信息含量表影像OIF组合方案42143253254375274375488年TM26.33829.18225.52133.60527.79333.98333.91096年TM32.15434.86416.84536.02516.08936.16325.59803年ETM16.24019.48321.12123.24020.88022.59220.427从上表中可得知，1988年和1996年两幅TM影像的743组合值都是最大的，2003年的ETM543组合

7、值最大，743次之，整个金华市的土地利用格局以耕地和林地等农用地为主，整个地区有较高的植被覆盖，而743组合更接近植被的真彩色，有利于植被的分类，所以三幅影像都采用743组合方案参与分类。5土地利用/土地覆被分类5.1监督分类法此法的关键在于训练区的选择。训练区的选取应与分类地区的特点和分类系统相适应。对训练区的统计特征应进行详细的分析，以选择最有效的参数变量(谱段)参与后续的分类。此外，应对训练区特征指标的外延性进行评估（赵英时，2003）。监督分类法中具体方法包括最小距离分类法、多级切割分类法、特征曲线窗口法和最大似然分类法，其中最大似然分类法用的最多。最大似然分类法（maximum li

8、kelihood classifier）在多类别分类时，常常采用统计学方法建立起一个判别函数集，然后根据这个判别函数集计算各待分像元的归属概率。这里，归属概率是指：对于待分像元x，它从属于分类类别的（后验）概率。设从类别中观测到的条件概率为，则归属概率可表示为如下形式的判别函数：（3-1）式中，为待分像元，为类别的先验概率，它可以通过训练区来决定。此外，由于上式中分母和类别无关，在类别间比较的时候可以忽略。1)训练样区的选取与纯化本文中采用的方法为试分类混淆矩阵分析法和J-M距离法来对所选取的训练样本纯度进行评价，通过对所得混淆矩阵进行分析，即可得到训练样本占原来各类个体总数的百分比，以确定其

9、分类的正确率，从而也检验了训练的纯度。在ENVI 4.2中对纯化前和纯化后的训练样本区进行了分类，并以训练样本自身对分类结果进行精度检验，得到混淆矩阵。纯化前训练样本的训练区分类混淆矩阵显示：Overall Accuracy = 92.0142%，Kappa Coefficient = 0.9165。对训练样本进行纯化后，训练样本的训练区分类混淆矩阵显示：Overall Accuracy = 96.3045%，Kappa Coefficient = 0.9500。在ENVI 4.2中未纯化前和纯化后的训练样本区进行统计其J-M距离，结果显示：纯化前训练样本的J-M距离，最小的是园地和林地之间的

10、J-M距离，只有1.3208。另外园地和耕地之间、居民点及工矿用地和未利用地之间的J-M距离也比较小，但均大于1.5。经纯化以后，只有园地和林地之间的J-M距离仍然小于1.5。其他均在1.8以上。训练样本之间的可分性明显增大。2)分类精度及结果分析在对影像做了图像预处理后，根据影像的光谱特征，选择适当的训练样区，将土地利用分为若干不同的类别。结合研究区的实际情况，根据目视判读选择训练样本，采用最大似然分类法(Maximum Likelihood Classification, MLC)，将金华市2003年的土地利用分为5类，即耕地、园地、林地、居民点及工矿用地、水域。（a）1988年（b）19

11、96年（c）2003年图5-1金华市最大似然法土地利用/土地覆被分类图利用上面确定的方法和已有的样本数据对研究区分类后图像进行精度估计，得到最终最大似然法的误差矩阵和各项统计指标（以2003年为例）。表5-1最大似然法分类精度矩阵类别未分类耕地园地林地居民点及工矿用地水体未利用地总计未分类00000000耕地0658000073园地03141900036林地1119400097居民点及工矿用地0002140016水体0000010010未利用地0004801224合计16923119221012256表5-2最大似然法分类精度评价（）类别参考总计分类总计正确分类数生产精度用户精度未分类100-

12、耕地69736594.20%89.04%园地23361460.87%38.89%林地119979478.99%96.91%居民点及工矿用地22161463.64%87.50%水体101010100.00%100.00%未利用地122412100.00%50.00%合计256256209总精度209/25681.64表5-1和5-2显示了在最大似然分类中，园地和未利用地的分类精度比较低，分别为：38.89%和50.00%，这是因为园地、耕地、林地之间和未利用地和居民点及工矿用地之间的光谱特征很多比较相似（图5-2），从而导致误判。尤其是林地和园地错分现象比较多，36个园地样点中，有19个被误分为

13、林地，3个被误分为耕地。5.2决策树分类1）典型地物光谱分析为了获取研究区内各种地物类型光谱特征知识，对研究区内典型地物类型进行采样并加以统计，统计结果见表5-3（以03年为例）。其中03年耕地按耕地l(主要为水田)和耕地2(主要为旱地)两类采样，水体分为水体1(河流)和水体2(水库和坑塘水面)两类采样。88年图像上由于存在大量山体阴影，因此阴影也列为单独一类进行采样。表5-3 03年典型地物样本亮度值统计表地物波段耕地耕地2园地林地居民点及工矿用地水体1水体2未利用地B1最小值4.0014.008.000.009.000.005.001.00最大值40.0041.0029.0024.0090

14、.0047.0035.00101.00均值21.0624.2215.767.5628.7531.2514.2536.07均方差4.033.582.882.855.934.294.499.45B2最小值10.0021.0013.000.0016.000.009.008.00最大值59.0062.0047.0032.00101.0079.0055.00118.00均值35.8735.5724.2115.2938.3548.3819.8757.00均方差5.544.684.063.527.388.287.7112.52B3最小值10.0018.0011.000.0018.000.006.0013.0

15、0最大值76.0067.0057.0032.00117.0081.0063.00138.00均值35.2838.3623.3813.5245.3146.6415.3772.54均方差6.676.135.793.569.199.437.9918.70B4最小值25.0019.0022.000.0017.000.000.0017.00最大值109.0090.0072.0067.0082.0065.0063.0095.00均值71.2042.1246.4341.8836.7813.185.4064.83均方差10.288.476.089.527.708.435.7510.54B5最小值30.0011

16、.0020.000.0024.000.004.0026.00最大值117.00110.00102.0092.00172.0099.0095.00167.00均值75.4347.5860.5047.7567.1814.4310.41106.08均方差9.2617.839.7711.6212.1111.347.2118.14B7最小值16.007.0012.000.0019.000.001.0023.00最大值97.0089.0080.0059.00163.0075.0068.00155.00均值47.2431.0135.7424.5160.7110.597.5286.17均方差9.4613.23

17、8.597.1311.648.385.2616.75通过03年典型地物样本亮度值统计可以得到03年典型地物样本波谱响应曲线：图5-203年典型地物样本波谱响应曲线2）决策树的构建对于03年图像：由于水体和阴影的低反射率，尤其是在长波部分更明显。因此可以利用TM4/TM3的比值来区分大部分林地。然后通过缨帽变换的亮度分量可以区分大部分耕地，剩下的耕地、园地和林地可以通过地学辅助知识如高程和坡度信息来加以区分。最后通过分析得到03年的分类决策树：图4-503年分类决策树依据同样的原理，通过分析分别得到88年和96年的分类决策树：图5-696年分类决策树图5-788年分类决策树3）分类精度及结果分析

18、通过决策树分类以及分类后的合并处理最后得到三个时期的土地利用/覆被分类图：（a）1988年（b）1996年（c）2003年图5-8金华市决策树分类法土地利用/土地覆盖分类图通过分层采样和已有的样本数据对研究区分类后图像进行精度估计，得到最终决策树的误差矩阵和各项统计指标（以2003年为例）。表5-6决策树分类精度矩阵类别未分类耕地园地林地居民点及工矿用地水体未利用地总计未分类00000000耕地0773300083园地0111000012林地062105100114居民点及工矿用地0200211024水体1000012013未利用地000020810合计1861610823139256表5-7

19、决策树分类精度评定（）类别参考总计分类总计正确分类数生产精度用户精度未分类100-耕地86837789.53%92.77%园地16121168.75%91.67%林地10811410597.22%92.11%居民点及工矿用地23242191.30%87.50%水体13131292.31%92.31%未利用地910888.89%80.00%合计256256234总精度209/25691.41表5-6和5-7显示了决策树分类中，园地和未利用地的分类精度明显有所提高，分别为：91.67%和80.00%，林地和园地错分现象明显减少，12个园地样点中，只有1个被误分为耕地，同样，在10个未利用地样点中，

20、只有2个样点被误分为居民点及工矿用地。这是因为在决策树分类过程中，充分利用了地物的各种特征信息，除了利用园地、耕地、林地之间和未利用地和居民点及工矿用地之间的光谱特征之外，还有效使用了其他的特征信息，如纹理信息，通过NDVI可以很好的初步分离耕地、园地和林地，利用缨帽变换的亮度、湿度和绿度信息可以很好的区分未利用地和居民点及工矿用地，在初步分类结果的基础上，通过GIS辅助数据，像高程和坡度等信息，可以进一步分离混分部分，使分类精度大大提高。5.3两种分类精度评定及结果分析对两种分类方法的分类结果分别进行精度评定最后得到了两种分类方法三个时期总体分类精度：表5-8两种分类方法的分类精度比较年份方

21、法最大似然法决策树分类法总体精度Kappa系数总体精度Kappa系数1988年84.70.784687.890.82881996年76.950.694987.890.82902003年81.640.746191.410.8751从上述表格两种方法分类结果的比较可以看出：（1）决策树分类方法从整体上优越于最大似然法，而且整体上比较平均，该方法在各单项地物类型的分类精度之间相差比较小，分类结果较为满意，总精度达到了85以上，均达到最低允许判别精度0.7的要求（Lucas I F J，1994）。（2）基于知识的决策树分类方法是提高遥感影像土地利用/覆被自动分类精度的有效途径之一，其关键在于知识的获

22、取与规则的创建，只有在对地类光谱特征、几何特征、地类间相互关系、地类变化规律、地学分布规律等知识认真分析的基础上建立合理的规则，通过有效地推理判断才能得到高质量的分类结果。本研究在对金华研究区地物分布规律、地物光谱特征分析的基础上所建立的规则用于分类取得了较好的效果，说明其规则的创建是合理而有效的。6土地利用/覆被变化分析6.1金华市土地利用类型的数量变化根据土地利用/覆被遥感图像分类的结果，1988年、1996年和2003年金华市各类土地利用/覆被类型的面积和比例的变化，如表4-1和4-2所示。表6-1 1988年-1996年金华市土地利用总量变化分析表土地利用类型1988年面积/hm2比例

23、1996年面积/hm2比例面积增加/hm2变化率耕地103476.2450.1967770.7232.87-35705.52-34.51园地2442.961.1915425.647.4812982.68531.43林地87942.3342.65102268.3549.614326.0216.29居民点及工矿用地5617.982.7212702.516.167084.53126.10水体3111.031.515589.92.722478.8779.68未利用地3586.051.742419.471.17-1166.58-32.53合计206176.59100206176.591000.000.0

24、0表6-2 1996年-2003年金华市土地利用总量变化分析表土地利用类型1996年面积/hm2比例2003年面积/hm2比例面积增加/hm2变化率耕地67770.7232.8772926.7335.375156.017.61园地15425.647.488804.254.27-6621.39-42.92林地102268.3549.6101124.2749.05-1144.08-1.12居民点及工矿用地12702.516.1615782.677.653080.1624.25水体5589.92.725588.462.71-1.44-0.03未利用地2419.471.171950.210.95-46

25、9.26-19.40合计206176.59100206176.591000.000.006.2金华市土地利用类型转换变化单纯看面积增加或减少，难以反映土地利用的内部结构变化。为揭示各土地利用类型的内部转移特征，基于1988年、1996年和2003年金华市土地利用分类图，利用ArcGIS软件中空间分析模块的叠加功能，分别将每两个时期分类图像叠加，得到土地利用面积转移矩阵（表6-3、表6-4和表6-5）。表6-3 19881996金华市土地利用转换矩阵（Unit：hm2）动态转移矩阵1996年1988年合计耕地园地林地居民点及工矿用地水域未利用地1988年耕地61793.3713575.96161

26、28.638208.452044.891720.44103476.24P/%32.5738.7019.694.914.13100.00园地1423.71438.48421.3869.319.4470.652442.96P/%71.0321.023.460.973.52100.00林地2287.62745.2984457.8274.77115.4764.0887942.33P/%65.6021.377.883.311.84100.00居民点及工矿用地651.24277.56651.243618.36321.6697.925617.98P/%32.5713.8832.5616.094.90100.00水域13